教師あり学習と教師なし学習の違い
正解を与えるか、与えないか

教師あり学習とは

正解を与えて学習させる機械学習の手法です。モデル化したい現象の要因を表すデータ（説明変数）と、その結果を表すデータ（目的変数）の対を大量に学習させます。訓練データから特徴や規則性を見つけ出し、予測モデルや識別モデルを構築します。

もちこ道場の問題では、次のような例が挙がっています。

• 分類: 手書き文字の画像から、どの文字かを判定する。
• 回帰: 降水量にもとづいて、土砂崩れのリスク確率を推定する。回帰は、目的変数に期待する数値を指定する処理です。

代表的な手法には、ランダムフォレスト（多数の決定木の出力を多数決などでまとめる）、サポートベクターマシン（超平面でデータを分類する。カーネルトリックで非線形のモデル化もできる）、ベイジアンモデル（観測された事実から、その原因を確率的に表す。スパムメールの判別などに使う）があります。

教師なし学習とは

正解を与えずに学習させる手法です。モデル化したい現象の要因を表すデータだけを大量に与え、入力データから特徴を自ら抽出しながら、学習モデルを構築します。データの傾向を調べて、近いデータどうしをまとめる（クラスタリング）、次元圧縮を行う、といった処理が代表例です。

クラスタリングで切り分けた各グループをクラスターと呼びます。k 平均法も、教師なし学習のクラスター分析です。オートエンコーダのように、入力データ自身を教師データとして使い、ノイズ除去や次元圧縮に使うモデルもあります。

違いを表で比べる

試験での問われ方

IoTシステム技術検定 中級では、第3章「IoTデータ活用技術」で出ます。第3章は、もちこ道場の模擬試験で最も出題が多い章です。問題データでは、次のような問われ方をしています。

• 穴埋め（空欄1つ）: 「要因を表すデータだけを大量に与えて学習させる」に教師なし学習、「訓練データから特徴や規則性を見つけ出して、予測モデルや識別モデルを構築する」に教師あり学習の中身を選ぶ。選択肢には、強化学習・半教師あり学習や、クラスタリング・隠れたパターンなども並びます。
• 2つの空欄: 教師あり学習で作る「予測モデル」と、教師なし学習で行う「クラスタリング」を、順番を間違えずに入れる。
• 正しい記述・誤った記述を選ぶ: 「クラスタリングは教師あり学習の代表例」という誤りを見抜く。a〜d の記述から正しいものを選ぶ形式でも、教師あり・教師なし・半教師あり学習の説明が並びます。

覚え方

• 「教師」は「正解」。教師あり＝正解を与える、教師なし＝正解を与えない、と読み替えます。
• あり → 予測・識別モデル、なし → クラスタリングと、できあがるものを1語ずつ結び付けます。
• 「要因のデータだけ」「正解が与えられない」とあれば教師なしです。「要因と結果の対」とあれば教師ありです。
• 半教師ありは「ありの少数＋なしの多数」、強化学習は「報酬」と、別の目印を持たせます。

第3章のほかの用語は「第3章 IoTデータ活用技術の要点」にまとめています。